آموزش مهندسی داده ابری-بومی (Cloud-Native Data Engineering) - آخرین آپدیت

دانلود Cloud-Native Data Engineering

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره شما را از درک مفاهیم بنیادی مهندسی داده ابری-بومی تا ساخت و مدیریت پلتفرم‌های کامل داده با استفاده از Azure Databricks هدایت می‌کند و تکنیک‌های عملی برای جذب، تبدیل، پردازش، حاکمیت و نظارت مقیاس‌پذیر روی داده‌ها را معرفی می‌نماید. شما با ایجاد یک پایه قوی در مهندسی داده ابری-بومی شروع خواهید کرد و خواهید آموخت که مهندسی داده مدرن چه تفاوتی با رویکردهای سنتی دارد، چرخه عمر مهندسی داده چگونه عمل می‌کند و چگونه Data Lakeها، انبار داده‌ها (Warehouses) و Lakehouseها از نیازهای مختلف تحلیلی پشتیبانی می‌کنند. همچنین معماری‌های ذخیره‌سازی ابری-بومی را بررسی کرده و یک محیط Azure را با استفاده از Azure Databricks و Azure Data Lake Storage Gen2 راه‌اندازی خواهید کرد. سپس، دوره به بررسی نحوه ساخت خطوط لوله داده (Data Pipelines) در محیط عملیاتی با استفاده از Apache Spark و Azure Databricks می‌پردازد. شما یاد می‌گیرید که داده‌ها را با Spark DataFrames تبدیل کنید، مجموعه‌داده‌های قابل اطمینان را با Delta Lake مدیریت کنید و اطلاعات را از طریق لایه‌های داده برنزی، نقره‌ای و طلایی (Medallion Architecture) سازماندهی نمایید. این قابلیت‌ها زیربنای ایجاد خطوط لوله ساختاریافته و قابل نگهداری است که می‌تواند حجم رو به رشد داده‌های تجاری را پردازش کند. در ادامه، دوره به سمت پردازش داده‌های افزایشی (Incremental) و در لحظه (Real-time) پیش می‌رود. شما خطوط لوله جذب افزایشی را با Auto Loader می‌سازید، داده‌های استریم را با استفاده از Azure Event Hubs پردازش می‌کنید و اجرای خطوط لوله را با Databricks Workflows سازماندهی (Orchestrate) می‌نمایید. این امر به شما اجازه می‌دهد فراتر از تبدیل‌های مجزا رفته و خطوط لوله داده خودکاری توسعه دهید که به طور بهینه به تغییرات منابع داده پاسخ دهند. در نهایت، بر مدیریت پلتفرم‌های داده آماده تولید تمرکز خواهید کرد. شما حاکمیت داده (Data Governance) را با استفاده از Unity Catalog اعمال می‌کنید، کیفیت داده‌ها و اعتبارسنجی خطوط لوله را پیاده‌سازی کرده، مشاغل و حجم‌های کاری Databricks را نظارت و عملکرد آن‌ها را بهینه می‌کنید. در نهایت، تمام این قابلیت‌ها را با ساخت یک پلتفرم داده ابری-بومی جامع (End-to-End) که داده‌ها را از مراحل جذب، تبدیل، اعتبارسنجی، حاکمیت و لایه‌های تحلیلی عبور می‌دهد، به کار خواهید بست. در پایان این دوره، شما قادر خواهید بود: - مفاهیم، معماری‌ها و چرخه عمر مدرن مهندسی داده ابری-بومی را شرح دهید. - Azure Databricks را پیکربندی کرده و آن را با Azure Data Lake Storage Gen2 یکپارچه کنید. - خطوط لوله داده دسته‌ای (Batch) مقیاس‌پذیر را با استفاده از Apache Spark، Delta Lake و معماری مدالین بسازید. - خطوط لوله افزایشی و استریمینگ را با استفاده از Auto Loader و Azure Event Hubs توسعه دهید. - خطوط لوله داده خودکار را با استفاده از Databricks Workflows سازماندهی کنید. - پلتفرم‌های داده آماده تولید را با استفاده از Azure Databricks مدیریت، اعتبارسنجی، نظارت و بهینه کنید. این دوره برای مهندسان داده آینده، متخصصان ابری، توسعه‌دهندگان، تحلیل‌گران و متخصصان فنی که به دنبال تجربه عملی با پلتفرم‌های مدرن داده ابری هستند طراحی شده و مسیری ساختاریافته از مفاهیم بنیادی تا پیاده‌سازی عملیاتی ارائه می‌دهد. برای موفقیت در این دوره، باید درک پایه‌ای از مفاهیم داده و آشنایی با مبانی برنامه‌نویسی داشته باشید. تجربه قبلی با Azure Databricks یا مهندسی داده پیشرفته ابری مورد نیاز نیست، زیرا دوره محیط و فناوری‌ها را از طریق فعالیت‌های عملی هدایت‌شده معرفی می‌کند. مهارت‌های لازم برای تبدیل داده‌های خام به اطلاعات قابل اطمینان، تحت حاکمیت و آماده تحلیل را کسب کنید و پلتفرم‌های داده ابری-بومی را برای حجم‌های کاری مدرن مهندسی داده توسعه دهید.

سرفصل ها و درس ها

مبانی مهندسی داده ابری-بومی Foundations of Cloud-Native Data Engineering

  • معرفی دوره Course Intro

  • آشنایی با مهندسی داده ابری-بومی Introduction to Cloud-Native Data Engineering

  • چرخه عمر مدرن مهندسی داده Modern Data Engineering Lifecycle

  • پلتفرم‌های داده سنتی، ابری و ابری-بومی Traditional, Cloud, and Cloud-Native Data Platforms

  • دیتا لیک‌ها، انبار داده‌ها و معماری Lakehouse Data Lakes, Data Warehouses, and Lakehouse Architecture

  • راه‌اندازی محیط مهندسی داده Azure Setting Up the Azure Data Engineering Environment

  • بررسی فضای کاری Azure Databricks Exploring Azure Databricks Workspace

  • ایجاد و اجرای نوت‌بوک Databricks در Azure Creating and Executing a Databricks Notebook in Azure

  • اتصال Azure Databricks به Azure Data Lake Storage Gen2 Connecting Azure Databricks with Azure Data Lake Storage Gen2

ساخت و سازماندهی خطوط لوله داده با Azure Databricks Building and Orchestrating Data Pipelines with Azure Databricks

  • ساخت خطوط لوله داده دسته‌ای با Azure Databricks Building Batch Data Pipelines with Azure Databricks

  • مدیریت داده‌های قابل اطمینان با Delta Lake Managing Reliable Data with Delta Lake

  • لایه‌های داده برنزی، نقره‌ای و طلایی Bronze, Silver, and Gold Data Layers

  • تبدیل داده‌ها با Apache Spark DataFrames Transforming Data with Apache Spark DataFrames

  • ساخت خطوط لوله افزایشی با Auto Loader Building Incremental Pipelines with Auto Loader

  • پردازش داده‌های استریم با Azure Event Hubs Processing Streaming Data with Azure Event Hubs

  • سازماندهی خطوط لوله داده با استفاده از Databricks Workflows Orchestrating Data Pipelines Using Databricks Workflows

حاکمیت، کیفیت، نظارت و عملیات جامع پلتفرم داده Governance, Quality, Monitoring, and End-to-End Data Platform Operations

  • نظارت و بهینه‌سازی حجم‌های کاری Azure Databricks Monitoring and Optimizing Azure Databricks Workloads

  • مدیریت حاکمیت داده با Unity Catalog Managing Data Governance with Unity Catalog

  • پیاده‌سازی کیفیت داده و اعتبارسنجی خط لوله Implementing Data Quality and Pipeline Validation

  • نظارت بر مشاغل و عملکرد خط لوله Monitoring Jobs and Pipeline Performance

  • ساخت یک پلتفرم داده ابری-بومی جامع با Azure Databricks Building an End-to-End Cloud-Native Data Platform with Azure Databricks

  • جمع‌بندی دوره Course Summary

نمایش نظرات

آموزش مهندسی داده ابری-بومی (Cloud-Native Data Engineering)
جزییات دوره
4h 56m
22
(آخرین آپدیت)
16
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar